图像生成方法和装置、计算机设备、存储介质与流程

本申请涉及人工智能、计算机视觉等，适用于金融领域及医疗领域的图像生成场景，尤其涉及一种图像生成方法和装置、计算机设备、存储介质。

背景技术：

1、在人工智能技术领域，可根据给定的条件文本生成符合要求的图像。例如，在金融领域的理赔场景中，生成理赔单图像、理赔流程相关的可视化图等。又例如，在医疗领域的影像管理场景中，生成肺出现毛刺状结节的胸部图像。

2、相关技术中，主要基于流模型生成图像。这些方法使用固定参数变换，对输入噪声敏感，难以处理输入条件的噪声或模糊性，导致生成结果在复杂场景下缺乏鲁棒性。

技术实现思路

1、本申请实施例的主要目的在于提出一种图像生成方法和装置、计算机设备、存储介质，能够解决条件文本的噪声或模糊性影响图像生成质量的技术问题。

2、为实现上述目的，本申请实施例的第一方面提出了一种图像生成方法，所述方法包括：

3、获取目标条件文本，对所述目标条件文本进行编码，得到条件向量；

4、获取贝叶斯流网络，所述贝叶斯流网络包括级联的至少两个贝叶斯耦合层，所述至少两个贝叶斯耦合层包括当前耦合层和所述当前耦合层的下一耦合层，将预设特征图作为所述当前耦合层的输入；

5、通过所述当前耦合层对所述预设特征图进行平均分割，得到第一当前特征图和第二当前特征图；

6、通过所述当前耦合层对所述第二当前特征图和所述条件向量进行特征变换学习，得到当前随机尺度和当前平移参数；

7、通过所述当前耦合层对所述当前随机尺度、所述当前平移参数和所述第一当前特征图进行特征变换，得到第一当前变换特征，且将所述第二当前特征图作为第二当前变换特征；

8、通过所述当前耦合层对所述第一当前特征图和所述第二当前特征图进行耦合，得到下一融合特征图，并将所述下一融合特征图作为所述下一耦合层的输入；其中，所述贝叶斯流网络中的最后一个耦合层输出的融合特征图作为目标特征图；

9、对所述目标特征图进行图像转换，得到目标生成图像。

10、为实现上述目的，本申请实施例的第二方面提出了一种图像生成装置，所述装置包括：

11、条件编码模块，用于获取目标条件文本，对所述目标条件文本进行编码，得到条件向量；

12、网络获取模块，用于获取贝叶斯流网络，所述贝叶斯流网络包括级联的至少两个贝叶斯耦合层，所述至少两个贝叶斯耦合层包括当前耦合层和所述当前耦合层的下一耦合层，将预设特征图作为所述当前耦合层的输入；

13、特征分割模块，用于通过所述当前耦合层对所述预设特征图进行平均分割，得到第一当前特征图和第二当前特征图；

14、特征变换学习模块，用于通过所述当前耦合层对所述第二当前特征图和所述条件向量进行特征变换学习，得到当前随机尺度和当前平移参数；

15、特征变换模块，用于通过所述当前耦合层对所述当前随机尺度、所述当前平移参数和所述第一当前特征图进行特征变换，得到第一当前变换特征，且将所述第二当前特征图作为第二当前变换特征；

16、特征耦合模块，用于通过所述当前耦合层对所述第一当前特征图和所述第二当前特征图进行耦合，得到下一融合特征图，并将所述下一融合特征图作为所述下一耦合层的输入；其中，所述贝叶斯流网络中的最后一个耦合层输出的融合特征图作为目标特征图；

17、图像转换模块，用于对所述目标特征图进行图像转换，得到目标生成图像。

18、为实现上述目的，本申请实施例的第三方面提出了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的图像生成方法。

19、为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的图像生成方法。

20、本申请提出的图像生成方法和装置、计算机设备、存储介质，先获取目标条件文本，对目标条件文本进行编码，得到条件向量；接着获取贝叶斯流网络，贝叶斯流网络包括当前耦合层和当前耦合层的下一耦合层，将预设特征图作为当前耦合层的输入；接着通过当前耦合层对预设特征图进行平均分割，得到第一当前特征图和第二当前特征图；接着通过当前耦合层对第二当前特征图和条件向量进行特征变换学习，得到当前随机尺度和当前平移参数；接着通过当前耦合层对所述当前随机尺度、当前平移参数和第一当前特征图进行特征变换，得到第一当前变换特征，且将第二当前特征图作为第二当前变换特征；接着通过当前耦合层对第一当前特征图和第二当前特征图进行耦合，得到下一融合特征图，并将下一融合特征图作为下一耦合层的输入；其中，贝叶斯流网络中的最后一个耦合层输出的融合特征图作为目标特征图；最后对目标特征图进行图像转换，得到目标生成图像。在本申请中，通过每一耦合层均进行特征变换学习，以学习得到该耦合层的当前随机尺度和当前平移参数，使在特征变换过程中能够同时捕捉认知不确定性和随机不确定性，降低特征变换过程中条件文本的噪声或模糊性的影响，从而提高了图像生成质量，尤其提高了图像对条件文本的表达能力且鲁棒性较高。

21、本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

1.一种图像生成方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述通过所述当前耦合层对所述第一当前特征图和所述第二当前特征图进行耦合，得到下一融合特征图，包括：

3.根据权利要求2所述的方法，其特征在于，所述通过所述当前耦合层对所述第二当前特征图、所述条件向量和所述当前耦合层的协方差矩阵进行注意力计算，得到当前条件权重，包括：

4.根据权利要求1至3任一项所述的方法，其特征在于，所述通过所述当前耦合层对所述第二当前特征图和所述条件向量进行特征变换学习，得到当前随机尺度和当前平移参数，包括：

5.根据权利要求4所述的方法，其特征在于，所述通过所述当前耦合层对所述第二当前特征图和所述条件向量进行变分推断，得到尺度变分后验分布和参数变分后验分布，包括：

6.根据权利要求1至3任一项所述的方法，其特征在于，所述通过所述当前耦合层对所述当前随机尺度、所述当前平移参数和所述第一当前特征图进行特征变换，得到第一当前变换特征，包括：

7.根据权利要求1至3任一项所述的方法，其特征在于，所述获取贝叶斯流网络，包括：

8.一种图像生成装置，其特征在于，所述装置包括：

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的图像生成方法。

10.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的图像生成方法。